cnn卷积神经网络由卷积层、池化层、全连接层组成
卷积层：#
这层主要是为了提取图像的特征值（特征值就是：该类图片与其他图片的不同点，如兔子的耳朵、猴子的尾巴）
提取特征值的主要操作：
b=a*w+b w就是在原图片挪动的小框框（即卷积核），小框框每个格子都有自己的值，b就是映射出来的矩阵，即映射出来的图片，b就是一个偏移值
bij=aij*wij+b
不同卷积核能提取图像不同的轮廓#
池化层：#
池化层为了减少数据量和减少特征值以防止过拟合
什么是过拟合呢？
第一个是欠拟合
第二个是拟合
第三个是过拟合
那什么是池化呢？其实与卷积差不多
就是有一个小框框（即最大池），在图像框中挪动，提取框中的最大值
经过池化的图像能减少一些特征值，让图像轮廓不那么明显
全连接层：#
在全连接之前，应该将2维、3维的图像数据变为1维的数据
以便于后续的计算
flatten之后的长度=图片的长度*图片的宽度*3
图片中的fully connected layers就是全连接层的输入层，输入层的神经元个数等于flatten之后的长度
即每个神经元对应每个flatten之后的数值
全连接层的最后一层（图中的output layers）的神经元个数等于要分类的类别数
w就是每个神经元所带的权值，a就是flatten之后每个方格的数值，b就是一个偏移量
最后把每一个output算出来
因为算出来的值有正有负，所以我们用自然指数函数将其变为正的
output=e^output
再采用下面的函数算出该张图片是每一类的每一个概率
图中的e^z正是刚刚算出的每一个output
概率最大的说明就是这一类
全部串起来就是这样：
转载自：https://www.cnblogs.com/jimore/p/15901033.html